KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2007 / Cilt: 22 - Sayı: 4

Karar ağaçları ve fraktal analiz kullanarak histopatolojik imgelerin sınıflandırılması

Histopathological images classification by using decision trees and fractal analysis

İbrahim TÜRKOĞLU
Suat TORAMAN
Sayfa
753–758
Yayın Tarihi
2022-10-18
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Hepatitli hastaların histopatolojik imgeleri ile geliştirilen sistemin başarısı değerlendirilmiştir. 50 hasta verisi üzerinde geliştirilen sistemin doğruluk yüzdesi %92 olarak bulunmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, histopatolojik imgelerden çeşitli hastalıkların tanınması işleminde, hekime yardımcı olacak ve kolaylık sağlayacak bir karar destek sistemi tasarlanmıştır.
📊
Temel Bulgular & Veri:Geliştirilen karar destek sistemi, örüntü tanıma temellidir.
💡
Sonuç & Katkı:Hepatitli hastaların histopatolojik imgeleri ile geliştirilen sistemin başarısı değerlendirilmiştir. 50 hasta verisi üzerinde geliştirilen sistemin doğruluk yüzdesi %92 olarak bulunmuştur.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:50 hasta
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmada, histopatolojik imgelerden çeşitli hastalıkların tanınması işleminde, hekime yardımcı olacak ve kolaylık sağlayacak bir karar destek sistemi tasarlanmıştır. Geliştirilen karar destek sistemi, örüntü tanıma temellidir. Örüntü tanıma sürecinin, özellik çıkarım aşaması Fraktal analiz ve sınıflandırma aşaması içinse karar ağaçları kullanılmıştır. Hepatitli hastaların histopatolojik imgeleri ile geliştirilen sistemin başarısı değerlendirilmiştir. 50 hasta verisi üzerinde geliştirilen sistemin doğruluk yüzdesi %92 olarak bulunmuştur.

Abstract

In this study, a decision support system is designed which helps the physicians and facilitates their works for detection of various diseases from histopathological images. The developed decision support system is based on pattern recognition. The feature extraction stage of the pattern recognition system is realized by using fractal analysis and a decision tree classifier is used for classification stage. The performance of the proposed pattern recognition system is evaluated with the histopathological images which are taken from hepatic patients. The correct classification rate is 92 % for 50 patient’s data.

🔖

Bu Makaleye Atıf Yap

TÜRKOĞLU, İ., TORAMAN, S. (2022). Karar ağaçları ve fraktal analiz kullanarak histopatolojik imgelerin sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 22 - Sayı: 4, 753–758. https://ajindex.com/articles/522836

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Pitas I., Digital image processing algorithms and applications, John Wiley & Sons Inc., 2000
  2. Gonzalez R.C., Woods R.E., Digital image processing, Prentice Hall, 2002
  3. Giansanti R., Fumelli P., Passerini G.,et al., “Imaging system for retinal change evaluation”, IPA97 Conference, Pub.No. 443, 1997
  4. Kara S., Şener F., Okandan M., et al., “Patolojik doku örneklerinin bilgisayar tabanlı analizi”, 246- 249, SIU, 2003
  5. Petersen M.E., Arts T., “Recognition of radiopaque markers in X-ray images using a neural network as nonlinear fitler”, Pattern Recognition Letters, 20(5), 521-533, May, 1999
  6. Esgiar A.N., Sharif B.S., Naguib R.N.G., et al., “Texture descriptions and classification for pathological analysis of cancerous colonic mucosa”, 7th International Conference on Image Processing And Its Applications, 1(13-15), 335-338, 1999
  7. Bauer W., Mackezie C.D., “Cancer detection via determination of fraktal cell dimension”, Pattern Formation and Solitons, 9506003, 07/1995
  8. Esgiar A.N., Naguib R.N.G., Sharif S., et al., “Fraktal Analysis in the Detection of Colonic Cancer Images”, IEEE Transactıons on Informatıon Technology in Bıomedıcıne, 6(1), March 2002
  9. Tzanakou E.M., Supervised and unsupervised pattern recognition, CRC Press LLC, 2000
  10. Rangayyan R. M., Nguyen T. M., “Pattern classification of breast masses via fraktal analysis of their contours”, International Congress Series, 1281, 1041-1046, 2005
  11. Chen D., Chang R., Chen C., et al., “Classification of breast ultrason images using fraktal feature”, Journal of Clinical Imaging, 29, 235-245, 2005
  12. Hotta N., Otsuka K., Murakami S., et al., “Fraktal analysis of heart rate variability and mortality in elderly community-dwelling people – Logitudinal Investigation fort he Longevity and Aging in Hokkaido County (LILAC) study”, Biomedicine & Pharmacothcrapy, 59, 45-48, 2005
  13. Masugi M., “Multi-fraktal analysis of IP-network traffic based on a hierarchical clustering approach”, Communications in Nonlinear Science and Numerical Simulation, 12(7), 1316-1325, 2006
  14. Huang K., Murphy R.F., “Automated classification of subcellular patterns in multicell images without segmentation inti single cells”, IEEE Transactions on Medical Imaging, 12(3), 478 – 485, 1993
  15. Türkoğlu İ., Arslan A., İlkay E., “Kalp kapak hastalıklarının teşhisi için bir karar destek sistemi”, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü Dergisi, 6(2), 57-64, Temmuz, 2002
  16. Dell’Acqua F., Gamba P., Trianni